[发明专利]基于自逆卷积生成对抗网络的低剂量全身PET图像增强方法

说明书

本发明公开了一种基于自逆卷积生成对抗网络的低剂量全身PET图像增强方法，使用采集的低剂量PET图像和全剂量PET图像训练模型，将低剂量PET图像和训练结果来测试模型，将测试结果保存，得到低剂量PET图像增强结果。本发明通过使用自逆神经网络来实现低剂量和全剂量PET图像之间的相互转换，由于训练的网络具有自逆性，可以有效的降低图像中的噪声和保持图像对比度，有效的提高模型的鲁棒性。本发明网络模型结构简单，计算效率高，能有效的降低图像中的噪声，有效保留图像细节以及对比度，定量误差低于10%。

技术领域

本发明涉及医学影像设备技术领域，更具体涉及一种基于自逆卷积生成对抗网络的低剂量全身PET图像增强方法。

背景技术

正电子发射计算机断层成像（Positron Emission Tomography）是核医学领域比较先进的临床检查影像技术。通过向人体注射放射性示踪剂药物，药物中的放射性核素衰变产生的一对γ射线，从而得到放射性药物在人体内的分布图。一般放射性示踪剂选取的是生物生命代谢中必须的物质，如：葡萄糖、蛋白质、核酸、脂肪酸，标记上短寿命的放射性核素（如18F，11C等），注入人体后，通过对于该物质在代谢中的聚集，来反映生命代谢活动的情况，从而达到诊断的目的。

由于PET扫描中存在的潜在放射性可能对人体带来辐照损伤，因此临床上非常渴望降低PET的扫描剂量，常见的降低扫描剂量的方法就是降低注射的放射性示踪剂的剂量。然而降低注射剂量会导致图像噪声增加，对比度下降，并最终可能影响到医生的诊断。传统的图像后处理方法包括BM3D，NLM等通常会导致图像过平滑和图像对比度下降等问题。近年来深度学习得到了快速的发展，并广泛应用于医学图像分析当中。为了克服低剂量PET图像中增加的噪声，我们提出了一种使用深度学习模型的方法来增强由于降低PET注射剂量之后重建图像，并有效的保留图像对比度，为医生提供高质量的PET图像。

发明内容

针对现有技术的不足，本发明提供了一种基于自逆卷积生成对抗网络的低剂量全身PET图像增强方法，通过使用自逆神经网络来实现低剂量和全剂量PET图像之间的相互转换，有效的降低图像中的噪声和保持图像对比度。

为实现上述目的，本发明提供了如下技术方案：基于自逆卷积生成对抗网络的低剂量全身PET图像增强方法，使用采集的低剂量PET图像和全剂量PET图像训练模型，将低剂量PET图像和训练结果来测试模型，将测试结果保存，得到低剂量PET图像增强结果。

进一步，上述训练流程为：

（1）采集低剂量和全剂量PET图像；

（2）将低剂量和全剂量PET图像数据集分成训练集、验证集和测试集；

（3）在训练集和验证集中，将低剂量和全剂量PET图像归一化到0-1之间；

（4）在训练集和验证集中，对归一化之后的低剂量与全剂量PET图像分别在相同位置提取3D图像碎片，组成训练数据对；

（5）使用生成的3D图像碎片来训练自逆生成对抗网络；

（6）网络训练完成，保存网络和权重；

（7）使用测试数据来评估模型性能。

进一步，训练自逆生成对抗网络流程为：

（1）产生两个条件图像：低剂量到全剂量条件Z=0，全剂量到低剂量条件Z=1；

（2）将低剂量PET图像和对应的条件文件输入到自逆生成网络G中，生成虚拟的全剂量图像，并与相应的全剂量PET图像计算损失；

（3）将全剂量PET图像和对应的条件文件输入到自逆生成网络G中，生成虚拟的低剂量图像，并与相应的低剂量PET图像计算损失；